Doubao Vision

Doubao VisionはByteDanceの画像と文書の理解に向けたマルチモーダルの階層で、2024年12月18日にVolcano Engineの Forceカンファレンスで公開されました。視覚的な内容を読み取って推論でき、物体の識別、グラフの分析、画像で出された論理問題を解くこと、スクリーンショットからコードを読み取ることができます。画像をただ説明するだけでなく、画像に結びついた質問にも答えます。ByteDanceはこれを、一般向けアシスタントアプリとVolcano EngineのクラウドAPIを支えるDoubaoモデルファミリーの一部として作りました。

ほかのDoubaoの公開と同じく、売り込みの中心は価格でした。ByteDanceはこのモデルを1,000トークンあたり約0.003元に設定し、業界平均より約85%安いとうたいました。標準的な解像度の画像なら、1元で数百枚を処理できます。クローズドな独自モデルで、ByteDance自身のアプリとAPIからしか使えません。